OpenCV图像处理|【OpenCV图像处理12】特征检测与匹配 python|图像处理|人工智能|计算

文章目录

十二、特征检测与匹配
- 1、特征检测
- - 1.1 Harris角点检测
  - - 1.1.1 算法原理
    - 1.1.2 实际应用
  - 1.2 Shi-Tomasi角点检测
  - 1.3 SIFT关键点检测
  - - 1.3.1 算法原理
    - 1.3.2 实际应用
    - 1.3.3 关键点和描述子
  - 1.4 SURF特征检测
  - 1.5 ORB特征检测
- 2、特征匹配
- - 2.1 暴力特征匹配
  - 2.2 FLANN特征匹配
- 3、图像查找

十二、特征检测与匹配 1、特征检测特征检测是计算机视觉和图像处理中的一个概念。
它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征检测的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
特征检测包括：

边缘检测
角检测
区域检测
脊检测

特征检测应用场景：

图像搜索，比如以图搜图
拼图游戏
图像拼接
…

以拼图游戏为例来说明特征检测的应用流程：

文章图片

寻找特征
- 特征是唯一的
- 特征是可追踪的
- 特征是能比较的

文章图片

我们发现：

平坦部分很难找到它在原图中的位置
边缘相比平坦要好找一些，但是也不能一下确定
角点可以一下就找到其在原图中的位置

图像特征就是值有意义的图像区域，具有独特性，易于识别性，比较角点、斑点以及高密度区。
在图像特征中最重要的就是角点，但哪些是角点呢？

灰度梯度的最大值对应的像素
两条线的交点
极值点（一阶导数最大，二阶导数为0）

1.1 Harris角点检测

文章图片

1.1.1 算法原理

文章图片

文章图片

检测窗口在图像上移动，上图对应着三种情况：

在平坦区域，无论向哪个方向移动，衡量系统变换不大。
在边缘区域，向垂直边缘移动时，衡量系统变换剧烈。
在角点处，往哪个方向移动，衡量系统都变换剧烈。

1.1.2 实际应用 cornerHarris()用法：

cv2.cornerHarris(src, blockSize, ksize, k, dst: None, borderType: None)

参数说明：

blockSize：检测窗口大小
ksize：Sobel的卷积核
k：权重系数，即上面公式中的α \alpha α ，是个经验值，一般取0.04~0.06之间（默认为0.04）。

代码实现：

import cv2img = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# Harris角点检测 # blockSize没有要求必须是奇数 dst = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)# 返回的东西叫做角点响应，每一个像素点都能计算出一个角点响应来 print(img.shape) print(gray.shape) # print(dst) print(dst.shape)# 显示角点 # 我们认为角点响应大于0.01倍的dst.max()就可以认为是角点 img[dst > 0.01 * dst.max()] = [0, 0, 255] cv2.imshow('img', img)cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

1.2 Shi-Tomasi角点检测
Shi-Tomasi是对Harris角点检测的改进。
Harris角点检测计算的稳定性和 K 有关，而 K 是一个经验值，不太好设定最佳的K值。
Shi-Tomasi发现，角点的稳定性其实和矩阵 M 的较小特征值有关，于是直接用较小的那个特征值作为分数，这样就不用调整 K 值了。

Shi-Tomasi将分数公式改为如下形式： R = m i n ( λ 1 , λ 2 ) R = min(\lambda_1, \lambda_2) R=min(λ1?,λ2?)
和Harris一样，如果该分数大于设定的阈值，我们就认为它是一个角点。

【OpenCV图像处理|【OpenCV图像处理12】特征检测与匹配】goodFeaturesToTrack()用法：

cv2.goodFeaturesToTrack(image, maxCorners, qualityLevel, minDistance, corners: None, mask: None, blockSize: None, useHarrisDetector: None, k: None)

参数说明：

maxCorners：角点的最大数，值为0表示无限制
qualityLevel：角点质量，小于1.0的整数，一般在0.01~0.1之间
minDistance：角点之间最小欧式距离，忽略小于此距离的点
mask：感兴趣的区域
blockSize：检测窗口的大小
useHarrisDetector：是否使用Harris算法
k：默认是0.04

代码实现：

import cv2 import numpy as npimg = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)corners = cv2.goodFeaturesToTrack(gray, maxCorners=0, qualityLevel=0.01, minDistance=10) corners = np.int0(corners)# Shi-Tomasi绘制角点 for i in corners: x, y = i.ravel() cv2.circle(img, (x, y), 3, (255, 0, 0), -1)cv2.imshow('Shi-Tomasi', img) cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

1.3 SIFT关键点检测
SIFT，即尺度不变特征变换（Scale-invariant feature transform，SIFT），是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
Harris角点具有旋转不变的特性，但是缩放后，原来的角点有可能就不是角点了。

文章图片

1.3.1 算法原理

图像尺度空间
- 在一定的范围内，无论物体是大还是小，人眼都可以分辨出来，然而计算机要有相同的能力却很难，所以要让机器能够对物体在不同尺度下有一个统一的认知，就需要考虑图像在不同尺度下都存在的特点。
- 尺度空间的获取通常使用高斯模糊来实现。
- 不同的σ \sigma σ 的高斯函数决定了对图像的平滑程度，越大的 $\sigma $ 值对应的图像越模糊。

文章图片

多分辨率金字塔

文章图片

高斯差分金字塔（DOG）

文章图片

DOG空间极值检测
- 为了寻找尺度空间的极值点，每个像素要和其图像域（同一尺度空间）和尺度域（相邻的尺度空间）的所有相邻点进行比较，当其大于（或者小于）所有相邻点时，该点就是极值点。
- 如下图所示，中间的检测点要和其所在图像 3 * 3 邻域的8个像素点，以及其相邻的上下两层的 3 * 3 邻域的18个像素点，共26个像素点进行比较。

DOG定义公式：
D ( x , y , σ ) = [ G ( x , y , k σ ) ? G ( x , y , σ ) ] ? I ( x , y ) = L ( x , y , k σ ) ? L ( x , y , σ ) D(x, y, \sigma) = [G(x, y, k\sigma) - G(x, y, \sigma)] * I(x, y) = L(x, y, k\sigma) - L(x, y, \sigma) D(x,y,σ)=[G(x,y,kσ)?G(x,y,σ)]?I(x,y)=L(x,y,kσ)?L(x,y,σ)

文章图片

关键点的精确定位
- 这些候选关键点是DOG空间的局部极值点，而且这些极值点均为离散的点，精确定位极值点的一种方法是：对尺度空间DOG函数进行曲线拟合，计算其极值点，从而实现关键点的精确定位。

文章图片

消除边界响应

文章图片

特征点的主方向
- 每个特征点可以得到三个信息( x , y , σ , θ ) (x, y, \sigma, \theta) (x,y,σ,θ) ，即位置、尺度和方向。具有多个方向的关键点可以被复制成多份，然后将方向值分别赋给赋值后的特征点，一个特征点就产生了多个坐标、尺度相等，但是方向不同的特征点。

文章图片

生成特征描述
- 为了保证特征矢量的旋转不变性，要以特征点为中心，在附近邻域内将坐标轴旋转θ \theta θ 角度，即将坐标轴旋转为特征点的主方向。
- 旋转之后的主方向为中心取 8 * 8 的窗口，求每个像素的梯度幅值和方向，箭头方向代表梯度方向，长度代表梯度幅值，然后利用高斯窗口对其进行加权运算，最后在每个 4 * 4 的小块上绘制 8 个方向的梯度直方图，计算每个梯度方向的累加值，即可形成一个种子点，即每个特征点由 4 个种子点组成，每个种子点由 8 个方向的向量信息。
- 论文中建议对每个关键点使用 4 * 4 共 16 个种子点来描述，这样一个关键点就会产生 128 维的SIFT特征向量。

文章图片

文章图片

1.3.2 实际应用使用SIFT的步骤：

创建SIFT对象：sift = cv2.xfeatures2d.SIFT_create()
进行检测：kp = sift.detect(gray)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2img = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象 # 注意：xfeatures2d是OpenCV的扩展包中的内容，需要安装opencv-contrib-python sift = cv2.xfeatures2d.SIFT_create()# 进行检测 kp = sift.detect(gray) # kp是一个列表，存放的是封装的KeyPoint对象 print(kp)# 绘制关键点 cv2.drawKeypoints(gray, kp, img)cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

1.3.3 关键点和描述子关键点：位置、大小和方向
关键点描述子：记录了关键点周围对其有共享的像素点的一组向量值，其不受仿射变换、光照变换等影响，描述子的作用就是进行特征匹配，在后面进行特征匹配的时候会用上。
1、计算描述子

kp, des = sift.compute(img, kp)

其作用是进行特征匹配。

2、同时计算关键点和描述子

kp, des = sift.detectAndCompute(img, ...)

mask：指明对img中哪个区域进行计算。

代码实现：

import cv2img = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SIFT对象 sift = cv2.xfeatures2d.SIFT_create()# 进行检测 kp = sift.detect(gray)# 检测关键点，并计算描述子 kp, des = sift.compute(img, kp) # 或者一步到位，把关键点和描述子一起检测出来 # kp, des = sift.detectAndCompute(img, None)print(kp) print(len(kp)) print(type(des)) print(des) print(des.shape)

(, , , , , , ) 391 [[ 0.0.9. ...0.0.0.] [ 0.2. 20. ...0.0.0.] [ 0.0. 26. ...0.0.0.] ... [ 0.0.9. ...0.0.0.] [ 0.0.7. ...0.0.0.] [ 0.5. 29. ...0.0.0.]] (391, 128)

1.4 SURF特征检测
Speed Up Robust Features（SURF，加速稳健特征），是一种稳健的局部特征点检测和描述算法。
最初由Herbert Bay发表在2006年的欧洲计算机视觉会议（European Conference on Computer Vision，ECCV）上，并在2008年正式发表在Computer Vision and Image Understanding期刊上。
SURF是对David Lowe在1999年提出的SIFT算法的改进，提升了算法的执行效率，为算法在实时计算机视觉系统中应用提供了可能。
如果想对一系列的图像进行快速的特征检测，使用SIFT会非常慢。因此SIFT最大的问题就是速度慢，所以才有了SURF。

注意：SURF在较新版本的OpenCV中已经申请专利。需要降OpenCV版本才能使用，降到3.4.1.15就可以使用了。

使用SURF的步骤：

创建SURF对象：surf = cv2.xfeatures2d.SURF_create()
进行检测：kp, des = surf.detectAndCompute(img, mask)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2img = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建SURF对象 surf = cv2.xfeatures2d.SURF_create()# 进行检测 kp, des = surf.detectAndCompute(gray, None) print(des[0])# 绘制关键点 cv2.drawKeypoints(gray, kp, img)cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()

版权问题，运行不出来，降OpenCV版本也出错了。

1.5 ORB特征检测
ORB（Oriented FAST and Rotated BRIEF），可以做到实时检测。
FAST：可以做到特征点的实时检测。
BRIEF：对已经检测到的特征点进行描述，加快了特征描述符建立的速度，同时也极大的降低了特征匹配的时间。
使用ORB的步骤：

创建ORB对象：orb = cv2.ORB_create()
进行检测：kp, des = orb.detectAndCompute(gray, None)
绘制关键点：cv2.drawKeypoints(gray, kp, img)

代码实现：

import cv2img = cv2.imread('../resource/chess.bmp') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 创建ORB对象 orb = cv2.ORB_create()# 进行检测 kp, des = orb.detectAndCompute(gray, None) print(des[0])# 绘制关键点 cv2.drawKeypoints(gray, kp, img)cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

2、特征匹配 2.1 暴力特征匹配
BF（Brute-Force），暴力特征匹配方法。它使用第一组中的每个特征的描述子，与第二组中的所有特征描述子进行匹配，计算它们之间的差距，然后将最接近一个匹配返回。
基本步骤：

创建匹配器：cv2.BFMatcher()
进行特征匹配：bf.match()
绘制匹配点：cv2.drawMatches()

BFMatcher()用法：

bf = cv2.BFMatcher(normType: None, crossCheck: None)

normType：NORM_L1，NORM_L2 （默认），NORM_HAMMING，NORM_HAMMING2，…
- NORM_L1：取描述子的绝对值进行加法运算
- NORM_L2：欧氏距离
- HAMMING：通过判断二进制位

L1 and L2 norms are preferable choices for SIFT and SURF descriptors,
NORM_HAMMING should be used with ORB, BRISK and BRIEF, NORM_HAMMING2 should be used with ORB when WTA_K==3 or 4 .

crossCheck：是否进行交叉匹配，默认为False

match()用法：对两幅图的描述子进行计算

match = bf.match(queryDescriptors, trainDescriptors, mask: None)

参数为：SIFT、SURF、ORB等计算的描述子

drawMatches()用法：

cv2.drawMatches(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor: None, singlePointColor: None, matchesMask: None, flags: None)

参数为：搜索img， kp；匹配图img，kp；match()方法返回的结果match。

代码实现：

import cv2img1 = cv2.imread('../resource/cv.bmp') img2 = cv2.imread('../resource/cv.webp') gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器 sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点 kp1, des1 = sift.detectAndCompute(gray1, None) kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器 bf = cv2.BFMatcher(cv2.NORM_L1)# 进行特征匹配 match = bf.match(des1, des2)# 绘制匹配点 img = cv2.drawMatches(img1, kp1, img2, kp2, match, None)cv2.imshow('img', img) cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

2.2 FLANN特征匹配
FLANN优缺点：

在进行批量特征匹配时，FLANN速度更快。
由于它使用的是邻近近似值，所以精度较差。

基本步骤：

创建FLANN匹配器：cv2.FlannBasedMatcher()
进行特征匹配：flann.match/knnMatch
绘制匹配点：cv2.drawMatches()/drawMatchesKnn()

FlannBasedMatcher()用法：

# index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5) index_params = dict(algorithm=1, tress=5) search_params = dict(checks=50)flann = cv2.FlannBasedMatcher(index_params, search_params)

index_params字典：匹配算法 KDTREE（SIFT，SURF）、LSH（ORB）
search_params字典：指定KDTREE算法中遍历树的次数

knnMatch()用法：

match = cv2.knnMatch(queryDescriptors, trainDescriptors, k, mask: None, compactResult: None)

queryDescriptors, trainDescriptors：SIFT，SURF，ORB等计算的描述子
k：表示取欧氏距离最近的前k个关键点
返回的是匹配的结果DMatch对象
- DMatch的内容：
  - distance：描述子之间的距离，值越低越好
  - queryIdx：第一幅图像的描述子索引值
  - trainIdx：第二幅图像的描述子索引值
  - imgIdx：第二幅图像的索引值

drawMatchesKnn()用法：

cv2.drawMatchesKnn(img1, keypoints1, img2, keypoints2, matches1to2, outImg, matchColor: None, singlePointColor: None, matchesMask: None, flags: None)

参数为：搜索img，kp；匹配图img，kp；match()方法返回的匹配结果match。

代码实现：

import cv2# 读取两幅图像 img1 = cv2.imread('../resource/cv.bmp') img2 = cv2.imread('../resource/cv.webp') gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器 sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点 kp1, des1 = sift.detectAndCompute(gray1, None) kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器 # index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5) index_params = dict(algorithm=1, tress=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params)# 进行特征匹配 match = flann.knnMatch(des1, des2, k=2)# 优化 good = [] for i, (m, n) in enumerate(match): if m.distance < 0.7 * n.distance: good.append(m)# 绘制匹配点 ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None)cv2.imshow('ret', ret) cv2.waitKey(0) cv2.destroyAllWindows()

文章图片

3、图像查找

文章图片

单应性的作用（一）：

文章图片

单应性的作用（二）：

文章图片

代码实现：特征匹配 + 单应性矩阵

import cv2 import numpy as np# 读取两幅图像 img1 = cv2.imread('../resource/cv.bmp') img2 = cv2.imread('../resource/cv.webp') gray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) gray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)# 创建SIFT特征检测器 sift = cv2.xfeatures2d.SIFT_create()# 进行检测,计算描述子与特征点 kp1, des1 = sift.detectAndCompute(gray1, None) kp2, des2 = sift.detectAndCompute(gray2, None)# 创建匹配器 # index_params = dict(algorithm=cv2.FLANN_INDEX_KDTREE, tress=5) index_params = dict(algorithm=1, tress=5) search_params = dict(checks=50) flann = cv2.FlannBasedMatcher(index_params, search_params)# 进行特征匹配 match = flann.knnMatch(des1, des2, k=2)# 优化 good = [] for i, (m, n) in enumerate(match): if m.distance < 0.7 * n.distance: good.append(m)# 做判断 if len(good) >= 4: # 单应性矩阵 srcPts = np.float32([kp1[m.queryIdx].pt for m in good]).reshape(-1, 1, 2) dstPts = np.float32([kp2[m.trainIdx].pt for m in good]).reshape(-1, 1, 2) H, _ = cv2.findHomography(srcPts, dstPts, cv2.RANSAC, 5.0)# 透视变换 h, w = img1.shape[:2] pts = np.float32([[0, 0], [0, h - 1], [w - 1, h - 1], [w - 1, 0]]).reshape(-1, 1, 2) dst = cv2.perspectiveTransform(pts, H)# 用线框出来 cv2.polylines(img2, [np.int32(dst)], True, (255, 0, 255), 3) else: print('The number of good is less than 4.') exit()# 绘制匹配点 ret = cv2.drawMatchesKnn(img1, kp1, img2, kp2, [good], None) cv2.imshow('ret', ret) cv2.waitKey(0) cv2.destroyAllWindows()